Para realizar a análise e agrupamento, faremos uso de dados extraídos do Rotten Tomatoes.

O nosso objetivo é descobrir se existem tipos diferentes de filmes que a Cate Blanchett fez.

Dados

No nosso conjunto de dados temos registros de 29 filmes feitos pela Cate Blanchett. Para cada filme possuímos as seguintes informações:

Avaliação: Variável numérica que descreve a avaliação feita pela crítica;

Filme: Variávei textual que descreve o nome do filme;

Papel: Variável textual que descreve o papel exercido pela atriz (o personagem);

Bilheteria: Variável numérica que descreve a quantidade (em milhões de dólares) de  dinheiro arrecadado pelo filme;

Ano: Variável textual que descreve o ano em que o filme foi lançado.
filmes %>% select(avaliacao, bilheteria, ano) %>% summary()
##    avaliacao       bilheteria         ano      
##  Min.   :30.00   Min.   :  1.6   Min.   :2000  
##  1st Qu.:59.00   1st Qu.: 16.3   1st Qu.:2004  
##  Median :72.00   Median : 41.2   Median :2007  
##  Mean   :71.97   Mean   :114.9   Mean   :2008  
##  3rd Qu.:91.00   3rd Qu.:183.4   3rd Qu.:2013  
##  Max.   :95.00   Max.   :364.1   Max.   :2017

A partir da visualização acima podemos dizer que:

Avaliação: Varia de 30.00 a 95.00 e possui mediana 72.00 o que nos permite entender que os filmes que coletamos possuem uma avaliação boa;

Bilheteria: Varia de 1.6 a 364.1 milhões de dólares e é aqui onde encontramos as maiores diferenças;

Ano: Os filmes coletados foram lançados em anos entre 2000 e 2017.

Visualizando graficamente as variáveis

Bilheteria

p <- filmes %>% 
    ggplot(aes(x = "", y = bilheteria, label = filme)) + 
    geom_jitter(width = .05, alpha = .3, size = 3) + 
    geom_boxplot() +
    labs(title = "Comportamento da variável 'Bilheteria'",
         x = "",
         y = "Bilheteria")

ggplotly(p)

Temos que realmente há uma diferença muito grande entre os filmes… É possível pereceber que mais da metade dos filmes possui bilheteria abaixo de 100 milhões de dólares e por outro lado, temos 6 de 29 filmes com bilheterias assustadoras em relação aos demais.

Avaliação

p = filmes %>% 
    ggplot(aes(x = "", y = avaliacao, label = filme)) + 
    geom_jitter(width = .05, alpha = .3, size = 3) + 
    geom_boxplot() +
    labs(title = "Comportamento da variável 'Avaliação'",
         x = "",
         y = "Avaliação")

ggplotly(p)

Nesse caso, temos um comportamento que podemos considerar mais comum, sem diferenças muito gritantes. Como visto acima, a maioria dos filmes realmente possuem uma avaliação relativamente boa.

Será que existe relação entre a Bilheteria e Avaliação? Quanto maior a nota maior a bilheteria?

p <- filmes %>% 
    ggplot(aes(x = avaliacao, 
               y = bilheteria, 
               label = filme)) + 
    geom_point() +
    labs(title = "Gráfico 'Avaliação' x 'Bilheteria'",
         x = "Avaliação",
         y = "Bilheteria")

ggplotly(p)

Não conseguimos perceber facilmente uma relação entre as variáveis até porque nem sempre um filme bem avaliado é um blockbuster.

Mas observando um pouco mais a visualização podemos notar que existem “grupinhos” de filmes, como se tivessem um comportamento semelhante.

Quais são os “grupinhos”?

Para verificar os grupos de filmes existentes iremos utilizar um algoritmo para agrupamento conhecido como hclust

Antes de aplicar o algoritmo, iremos precisar saber em quantos grupos iremos dividir… Podemos fazer isso intuitivamente mas também podemos utilizar o Dendrograma, que nos auxilia a saber quais as divisões de grupos podem ser feitas.

Intuitivamente…

Observando o Gráfico Avaliação x Bilheteria quantos grupos você percebe?

Eu consigo perceber 5 grupos:

Grupo 1: Os que são muito bem avaliados e muito bem recompensados.

Grupo 2: Os que são muito bem avaliados mas pouco recompensados.

Grupo 3: Os que possuem avaliação mediana (entre 50 e 80) e são pouco recompensados.

Grupo 4: Os que possuem avaliação mediana (entre 50 e 80) mas são relativamente bem recompensados.

Grupo 5: Os que nem são bem avaliados e nem bem recompensados.

Sua intuição é boa? Faça o teste aqui ☜(˚▽˚)☜

Para testar a nossa intuição iremos utilizar alguns gráficos abaixo que nos dará uma ideia de um número ideal de grupos baseado na melhoria que aquela forma de agrupamento tem.

agrupamento_h_2d = filmes %>% 
    mutate(bilheteria = log10(bilheteria)) %>%
    mutate_at(vars("avaliacao", "bilheteria"), funs(scale)) %>%
    column_to_rownames("filme") %>%
    select("avaliacao", "bilheteria") %>%
    dist(method = "euclidean") %>% 
    hclust(method = "ward.D")

ggdendrogram(agrupamento_h_2d, rotate = TRUE, theme_dendro = F)

data.frame(height = agrupamento_h_2d$height) %>% 
    mutate(k = 1:n()) %>% filter(k <= 6) %>% 
    ggplot(aes(x = k, y = height)) + 
    geom_line(colour = "grey") + 
    geom_point() + 
    labs(x = "Número de clusters produzido", y = "Dissimilaridade na junção")

Esse gráfico nos mostra que quando o número de clusters (grupos) passa de 4 para 5 há um aumento considerável no que o novo agrupamento agrega para a nossa análise, mas quando vemos a mudança de 5 para 6, não percebemos tanta diferença. Portanto, iremos escolher o k = 5 porque aparentemente não temos grandes impactos.

Ou seja, nossa intuição tá -quase- boa toda (⌐■_■)

filmes2 = filmes %>% mutate(bilheteria = log10(bilheteria))
p <- plotly_hclusts_2d(agrupamento_h_2d, 
                 filmes2, 
                 c("avaliacao", "bilheteria"), 
                 linkage_method = "ward.D",
                 clusters = 5,
                 ks = 1:6) + 
    scale_color_brewer(palette = "Dark2") +
    labs(title = "Agrupamento de filmes com 5 grupos",
         x = "Avaliação",
         y = "Bilheteria",
         color = "Grupo")

ggplotly(p)

Seguindo as recomendações conseguimos a divisão que vemos acima… Particularmente eu não achei boa suficiente pra nos ajudar, porque é como se houvesse uma mistura no grupo 5, como se os filmes com avaliação baixa se misturassem com alguns filmes de avaliação “mediana”.

Então vamos tentar ver como fica essa divisão para k = 6

p <- plotly_hclusts_2d(agrupamento_h_2d, 
                 filmes2, 
                 c("avaliacao", "bilheteria"), 
                 linkage_method = "ward.D",
                 clusters = 6,
                 ks = 1:6) + 
    scale_color_brewer(palette = "Dark2") +
    labs(title = "Agrupamento de filmes com 6 grupos",
         x = "Avaliação",
         y = "Bilheteria",
         color = "Grupo")

ggplotly(p)

Agora eu me senti melhor… A mistura que havia no cluster 4 foi desfeita e agora temos os filmes bons em avaliação e bilheteria separados dos filmes com bilheteria mediana.

Mas… Espera um pouco

Essa divisão parece meio errada né? Calma que sei o que está confundindo… É como se na visualização a gente não percebesse as diferenças entre os clusters 3 e 4, justamente porque o eixo da bilheteria teve que escalar de alguma forma para caber a de 364.1M, para melhorar a percepção vamos mudar a escala para log…

filmes2 = filmes %>% mutate(bilheteria = log10(bilheteria))
p <- plotly_hclusts_2d(agrupamento_h_2d, 
                 filmes2, 
                 c("avaliacao", "bilheteria"), 
                 linkage_method = "ward.D",
                 clusters = 6,
                 ks = 1:6) + 
    scale_y_log10() + 
    scale_color_brewer(palette = "Dark2") +
    labs(title = "Agrupamento de filmes com 6 grupos e com escala log",
         x = "Avaliação",
         y = "Bilheteria",
         color = "Grupo")

ggplotly(p)

Agora sim é possível perceber uma diferença grande entre os grupos em geral.

(•◡•) PARA VER O NOME DO FILME, SUA BILHETERIA E AVALIAÇÃO BASTA PASSAR O MOUSE POR CIMA (•◡•)

Classificação

Com k = 6 podemos perceber a seguinte divisão na visualização acima:

Grupo 1: Iremos classificá-los como "Carol".

Grupo 2: Iremos classificá-los como "Babel: Tudo misturado".

Grupo 3: Iremos classificá-los como "Elizabeth: A Era não muito de Ouro".

Grupo 4: Iremos classificá-los como "Senhor dos Anéis: A Sociedade do Sucesso".

Grupo 5: Iremos classificá-los como "Não queria estar aqui".

Grupo 6: Iremos classificá-los como "O Hobbit".

Carol

É um grupo de filmes que estão com uma ótima avaliação mas não obtiveram uma boa bilheteria. O nome foi dado graças à sinopse do filme:

Em plena Nova Iorque dos anos 50, Carol Aird (__Cate Blanchett__) uma mulher elegante e de personalidade forte está passando por um difícil processo de divórcio com Harge Aird (Kyle Chandler) um típico empresário estadunidense. O casamento dos dois estava sendo sustentado para manter as aparências de uma sociedade exigente

Fazendo uma analogia, são os filmes com personalidade forte e que são bem vistos diante da crítica exigente.

Babel: Tudo misturado

Representa um conjunto de filmes que estão no meio de tudo. Tem uma avaliação mediana e uma bilheteria também mediana.

Um acidente reúne quatro grupos de pessoas de três continentes distintos: dois jovens marroquinos, um casal americano em férias, uma adolescente japonesa surda e seu pai e uma menina mexicana.

A escolha do nome do grupo foi feita graças ao trecho da sinopse do filme que diz que são pessoas de diferentes continentes, ou seja, o grupo se torna uma mistura de várias pessoas diferentes mas que são reunidas devido a alguns eventos em comum.

Elizabeth: A Era não muito de Ouro

Elizabeth: A Era não muito de Ouro engloba os filmes que não foram bem avaliados…

Há quase três décadas no comando da Inglaterra, a Rainha Elizabeth I enfrenta ameaças ao seu poder, impostas por governos estrangeiros e pelo seu próprio país. Simultaneamente, o Rei da Espanha Felipe II, apoiado pelo Vaticano, planeja destronar a rainha e restaurar o catolicismo na nação britânica. Elizabeth se prepara para entrar em guerra, ao mesmo tempo em que luta contra uma paixão inesperada.

Como mostrado acima, o filme Elizabeth: A Era do Ouro conta as dificuldades que a Rainha Elizabeth I passou enquanto estava no poder. Fazendo uma pequena relação, o grupo possui esse nome justamente pelas dificuldades (notas baixas) que enfrenta.

Senhor dos Anéis: A Sociedade do Sucesso

Agrupa os filmes que são um sucesso de bilheteria e avaliação em relação aos demais.

Provavelmente Senhor dos Anéis foi o filme que trouxe a notoriedade para a atriz Cate Blanchett e por isso foi escolhido para ser homenageado no nome do grupo.

Não queria estar aqui

São os filmes que possuem uma avaliação mediana mas que não conseguiram arrecadar quase nada de bilheteria.

A escolha do nome para o grupo não foi para fazer uma relação sobre o assunto tratado no filme, mas simplesmente para fazer um trocadilho com a situação de bilheteria em que esse grupo se encontra: querendo estar em outro lugar.

O Hobbit

Filmes totalmente relacionados com o outro grupo chamado Senhor dos Anéis: A Sociedade do Sucesso, que tiveram ótimas marcas de bilheteria mas as avaliações não são boas como as do grupo citado mas ainda sim são boas.